AI forbedrer forudsigelser om monsunregn

Det er svært at forudsige vejret, fordi atmosfæren indeholder adskillige ustabiliteter - for eksempel bliver atmosfæren konstant opvarmet fra jorden under, hvilket fører til kold, tættere luft over varmere, mindre tæt luft - såvel som ustabilitet forårsaget af ujævn opvarmning og Jordens rotation. Disse ustabiliteter fører til en kaotisk situation, hvor fejlene og usikkerheden i modelleringen af ​​atmosfærens adfærd hurtigt formerer sig, hvilket gør det næsten umuligt at forudsige længere ud i fremtiden.

Nuværende state-of-the-art modeller bruger numerisk modellering, som er computersimuleringer af atmosfæren baseret på fysikligninger, der beskriver væskers bevægelse. På grund af kaos er den maksimale forudsigelige tid for storstilet vejr normalt omkring 10 dage. At forudsige atmosfærens langtidsgennemsnitlige adfærd – det vil sige klimaet – er også muligt, men at forudsige vejret i tidsintervallet mellem to uger og flere måneder har været en udfordring med numeriske modeller.

Med sydasiatiske monsuner har regn en tendens til at falde i cyklusser med intense udbrud efterfulgt af tørre perioder. Disse cyklusser er kendt som monsun intraseasonal oscillations (MISO'er). I den nye forskning tilføjede Bach og hans samarbejdspartnere en maskinlæringskomponent til de nuværende avancerede numeriske modeller. Dette gjorde det muligt for forskerne at indsamle data om MISO'erne og lave bedre forudsigelser af nedbøren på den undvigende to-til-fire-ugers tidsskala. Den resulterende model var i stand til at forbedre korrelationerne mellem forudsigelserne med observationer med op til 70 %.

"I de seneste par år har der været en øget interesse for at bruge maskinlæring til vejrudsigelse," siger Bach. "Vores arbejde viser, at en kombination af maskinlæring og mere traditionel numerisk modellering kan give nøjagtige resultater."

Papiret har titlen "Forbedret undersæsonmæssig forudsigelse af sydasiatisk monsunregn ved hjælp af datadrevne prognoser for oscillerende tilstande." Ud over Bach er medforfattere V. Krishnamurthy og Jagadish Shukla fra George Mason University; Safa Mote fra Portland State University; A. Surjalal Sharma og Eugenia Kalnay fra University of Maryland; og Michael Ghil fra École Normale Supérieure i Paris, UCLA og Imperial College London.

Flere oplysninger: Eviatar Bach et al., Forbedret forudsigelse under sæsonen af ​​sydasiatisk monsunregn ved hjælp af datadrevne prognoser for oscillerende tilstande, Proceedings of the National Academy of Sciences (2024). DOI:10.1073/pnas.2312573121

Journaloplysninger: Proceedings of the National Academy of Sciences

Leveret af California Institute of Technology